Deep Learning MLOps với MLflow, PyTorch và TensorFlow

Việc quản lý các thí nghiệm deep learning có thể nhanh chóng trở nên hỗn loạn khi bạn tinh chỉnh các siêu tham số, kiến trúc mạng thần kinh và tập dữ liệu huấn luyện. Nếu không có một quy trình làm việc có cấu trúc, việc theo dõi lần chạy huấn luyện nào tạo ra mô hình tốt nhất là gần như không thể. Khóa học dựa trên văn bản này hướng dẫn bạn các nguyênes lý cơ bản của MLOps sử dụng MLflow để mang lại trật tự cho các dự án deep learning của bạn. Bạn sẽ học cách ghi lại các tham số, số liệu và phần tử một cách có hệ thống, đảm bảo các thí nghiệm của bạn hoàn toàn có thể tái tạo và sẵn sàng triển khai. Những gì bạn sẽ học: Hiểu các khái niệm cốt lõi của MLOps và vai trò của việc theo dõi thí nghiệm trong các quy trình làm việc hiện đại; Cấu hình theo dõi MLflow để ghi lại các siêu tham số, số liệu và chi tiết hệ thống; Ghi lại các mô hình PyTorch và TensorFlow, các tham số và đường cong mất mát trong quá trình huấn luyện; Quản lý phiên bản mô hình và quá trình chuyển đổi sử dụng MLflow Model Registry; So sánh các lần chạy huấn luyện khác nhau để xác định các cấu hình mạng thần kinh có hiệu suất tốt nhất; Áp dụng các thực tiễn tốt nhất hiện đại để đóng gói và triển khai các mô hình deep learning. Bạn sẽ bắt đầu bằng việc khám phá các nguyên lý nền tảng của MLOps và thiết lập môi trường theo dõi MLflow của mình. Từ đó, bạn sẽ tiến tới việc viết mã cho các tập lệnh PyTorch và TensorFlow, tổ chức các thí nghiệm và tận dụng sổ đăng ký mô hình để quản lý phiên bản. Khóa học này được thiết kế dành cho các nhà khoa học dữ liệu mới bắt đầu, những người đam mê machine learning và các nhà phát triển muốn chuyển đổi từ việc huấn luyện mô hình thủ công sang các quy trình làm việc có cấu trúc, không yêu cầu kinh nghiệm MLflow trước đó. Bắt đầu xây dựng các pipeline deep learning có tổ chức, chuyên nghiệp và có thể tái tạo ngay hôm nay.